Was ist hyperresearch?
hyperresearch von Jordan Gibbs macht Claude Code (und seit Kurzem OpenAI Codex) zu einem Deep-Research-Agenten. Ein Prompt startet eine Pipeline mit bis zu 16 Schritten: die Frage zerlegen, parallele Wellen der Quellensuche, Kartierung von Widersprüchen, drei Entwürfe, vier gegnerische Kritiker, ein Patcher mit gesperrten Tools, der nur gezielte Änderungen vornehmen darf, und eine Zitatprüfung, bevor der Bericht ausgeliefert wird. Jede gelesene Quelle wird in einem Vault aus Markdown und SQLite gespeichert, den spätere Läufe zuerst durchsuchen.
Installiert wird es mit pip install hyperresearch und hyperresearch install oder als Plugin für Claude Code oder Codex. Die wissenschaftliche Suche umfasst OpenAlex, Crossref, CORE, DOAB, ClinicalTrials.gov, SEC EDGAR und FRED, und sie sucht nach legalen Open-Access-Kopien von Artikeln hinter Paywalls. Ein MCP-Server stellt den Vault anderen Clients bereit.
Das Repository steht unter MIT-Lizenz und hat etwa 4.200 GitHub-Sterne; das PyPI-Paket ist bei 0.13.0 (27. Oktober 2026). Der Autor verkauft außerdem eine gehostete Version auf hyperresearch.ai mit Preisen pro Bericht.
Lohnt sich hyperresearch?
hyperresearch ist das gründlichste offene Deep-Research-Harness, über das wir gelesen haben, und es verdient das durch seinen Mechanismus, nicht durch Marketing. Kommerzielle Research-Modi liefern einen flüssigen Bericht und bitten dich, den Zitaten zu vertrauen. Diese Pipeline ist darauf gebaut, sich selbst zu misstrauen: Zitierter Text muss wörtlich in einer gespeicherten Quelle stehen, sonst wird der Bericht nicht ausgeliefert, einen zurückgezogenen Artikel ohne Hinweis zu zitieren ist ein harter Fehler, eine Unabhängigkeitsprüfung zählt fünf Nachdrucke einer Pressemitteilung als eine Quelle, und die letzten Bearbeitungsdurchgänge sind auf Read und Edit beschränkt, damit sie den Entwurf nicht unbemerkt umschreiben. Abgerufene Seiten werden als nicht vertrauenswürdige Daten gekapselt, eine vernünftige Abwehr gegen Prompt Injection aus Hunderten Seiten, die der Agent nicht ausgewählt hat.
Die Kernaussage braucht eine Einschränkung. Das README sieht es im Deep-Research-Benchmark DRACO mit 77,7 vorn, vor Claude Research mit 73,0 und ChatGPT deep research mit 55,2, aber das ist ein Lauf über 10 Aufgaben, den das Projekt selbst veröffentlicht hat, und die Codex-Portierung wurde überhaupt nicht gemessen. Sieh es als Zeichen, dass die Pipeline ernst gemeint ist, nicht als feststehende Rangfolge.
Der Preis sind Zeit und Tokens. Ein leichter Lauf dauert etwa 30 bis 40 Minuten, die volle Standardstufe etwa 1,5 bis 2,5 Stunden und die höchste Stufe 3 bis 5. Jeder Lauf startet viele Subagenten, mit einem Claude-Abo frisst er also Limits, mit einem API-Schlüssel kostet er echtes Geld; run init --budget begrenzt die geschätzten Ausgaben und blockiert den Lauf, statt ihn überziehen zu lassen. Der Vault ist der langfristige Gewinn: Quellen sammeln sich an, und die nächste Frage im selben Feld beginnt mit dem, was schon da ist.
Es ist ein junges Projekt, im April 2026 angelegt und bei Version 0.13, mit einem Hauptautor und einer experimentellen Dissertationsstufe, deren Ziele noch nicht angebunden sind. Das README stellt klar, dass die Lint-Schranke strukturelle Fehler erkennt, keine inhaltlichen. Gegenüber der gehosteten Version für 9 $ oder 49 $ pro Bericht tauschst du beim Selbstbetrieb Geld gegen Einrichtung und Aufsicht; gegenüber dem Research-Modus eines Chat-Produkts tauschst du Tempo gegen eine Prüfspur, die du tatsächlich kontrollieren kannst.
Wo es sich lohnt
Ein Aktienanalyst bei einem kleinen Fonds, der Restaurant-Software abdeckt
Eine Wettbewerbsanalyse aus SEC-Unterlagen erstellen, bei der jede Aussage nachvollziehbar ist
/hyperresearch in Claude Code mit einer Budgetgrenze ausführen; es holt EDGAR-Unterlagen in den Vault, entwirft, kritisiert und prüft die Zitate. Rechne mit 1,5 bis 2,5 Stunden in der vollen Stufe oder 49 $ für einen Deep-Bericht in der gehosteten Version.
Eine Doktorandin, die einen Literaturüberblick in Gesundheitspolitik schreibt
Artikel und Studien sammeln, auch solche hinter Paywalls, ohne Abstracts zu zitieren, als wären sie gelesen
Die wissenschaftliche Suche fragt OpenAlex, Crossref, CORE und ClinicalTrials.gov ab, und die Open-Access-Wiederherstellung holt legale Volltexte, wobei die Ersetzung offengelegt wird. Der Vault hält jede Quelle für das nächste Kapitel bereit.
Ein Platform Engineer, der den Agenten eines Teams ein gemeinsames Recherchegedächtnis gibt
Cursor oder Claude Desktop Quellen aus früheren Läufen abfragen lassen
pip install hyperresearch[mcp] und hyperresearch mcp ausführen; 13 Tools, darunter search_notes, read_note und fetch_url, arbeiten auf demselben Vault. Kostenlos bis auf die Modellnutzung.
Bevor du dich festlegst
- Einrichtung
- Python 3.11 bis 3.14, dann pip install hyperresearch und hyperresearch install im Projekt (--target codex für Codex), oder das Claude-Code-Plugin installieren. Codex-Sitzungen brauchen aktivierten Schreibzugriff auf den Workspace und Netzwerkzugriff.
- Integrationen
- Claude Code und OpenAI Codex; Web-Anbieter builtin, crawl4ai, Exa, Tavily, Parallel und Serply; optionale Embeddings von Voyage oder OpenAI; ein MCP-Server mit 13 Tools für Claude Desktop, Cursor und andere.
- Daten und Datenschutz
- Läuft lokal und speichert Quellen als Markdown plus SQLite in deinem Projekt; Seiteninhalte gehen an den Modellanbieter deines Agenten und an jede Such-API, die du konfigurierst. Abgerufener Text wird als nicht vertrauenswürdige Eingabe abgegrenzt. MIT-Lizenz.
- Kosten im großen Maßstab
- Keine Lizenzkosten; jeder Lauf verbraucht viele Subagenten-Aufrufe, intensive Nutzung bedeutet also einen höheren Claude-Tarif oder API-Ausgaben, pro Lauf mit --budget begrenzt. Die gehostete Version berechnet 9 $ pro Light- und 49 $ pro Deep-Bericht.
- Grenzen
- Kann keine Paywalls lesen, bei denen du nicht angemeldet bist, außer es gibt eine legale Open-Access-Kopie; Lint prüft Struktur, nicht Wahrheit; die Dissertationsstufe ist experimentell; unter Codex gibt es keinen Browser-Pfad, und Tool-Sperren sind nur Anweisungen.
Was gut ist
- Prüfungen auf wörtliche Zitate, Rückzüge und Quellenangaben verhindern die Auslieferung eines Berichts
- Dauerhafter lokaler Vault, den spätere Läufe nutzen und der über MCP bereitsteht
- Acht wissenschaftliche und Register-Quellen in einer Abfrage durchsucht
- Ausgabengrenze und fortsetzbare Läufe für mehrstündige Jobs
Was nicht
- Volle Läufe dauern 1,5 bis 2,5 Stunden und brauchen viele Subagenten-Aufrufe
- Der Benchmark-Vorsprung ist selbst angegeben, auf 10 Aufgaben
- Die Codex-Portierung ist neu, nicht gemessen und ohne Tool-Sperren
- Ein einzelner Hauptmaintainer; schnell wechselnde 0.x-Releases
Am besten für
Analysten und Forschende, die schon mit Claude Code arbeiten, zitierte Berichte brauchen, die sie prüfen können, und bereit sind, stundenlang darauf zu warten.
Alternativen zu hyperresearch
hyperresearch: häufige Fragen
- Lohnt sich hyperresearch?
- Deep Research mit echten Prüfschranken statt einer polierten Zusammenfassung, bezahlt mit Stunden an Agentenzeit und einer Pipeline, bei der du darauf vertrauen musst, dass ein einzelner Maintainer sie am Laufen hält. Wir bewerten es mit 3.9 von 5.
- Was kostet hyperresearch?
- Kostenlos und Open Source (MIT); du zahlst die Nutzung von Claude Code oder Codex, die es verbraucht. Gehostete Version: Abrechnung nach Nutzung, 9 $ pro Light-Bericht und 49 $ pro Deep-Bericht; Enterprise auf Anfrage.
- Welche Nachteile hat hyperresearch?
- Volle Läufe dauern 1,5 bis 2,5 Stunden und brauchen viele Subagenten-Aufrufe; Der Benchmark-Vorsprung ist selbst angegeben, auf 10 Aufgaben; Die Codex-Portierung ist neu, nicht gemessen und ohne Tool-Sperren; Ein einzelner Hauptmaintainer; schnell wechselnde 0.x-Releases.
- Für wen eignet sich hyperresearch?
- Analysten und Forschende, die schon mit Claude Code arbeiten, zitierte Berichte brauchen, die sie prüfen können, und bereit sind, stundenlang darauf zu warten.
- Was kostet hyperresearch für ein Team oder im Produktivbetrieb?
- Keine Lizenzkosten; jeder Lauf verbraucht viele Subagenten-Aufrufe, intensive Nutzung bedeutet also einen höheren Claude-Tarif oder API-Ausgaben, pro Lauf mit --budget begrenzt. Die gehostete Version berechnet 9 $ pro Light- und 49 $ pro Deep-Bericht.
- Ist hyperresearch sicher für Firmendaten?
- Läuft lokal und speichert Quellen als Markdown plus SQLite in deinem Projekt; Seiteninhalte gehen an den Modellanbieter deines Agenten und an jede Such-API, die du konfigurierst. Abgerufener Text wird als nicht vertrauenswürdige Eingabe abgegrenzt. MIT-Lizenz.
- Was sind die besten Alternativen zu hyperresearch?
- Die nächsten Alternativen, die wir getestet haben, sind notebooklm-py, Agent Reach und Crawl4AI.
Antworten geprüft am 31. Okt. 2026.